Effectiveness of Symbolic Classification Trees Vs. Noisy Variables
Abstract
W rzeczywistych problemach badawczych często oprócz zmiennych istotnych
mamy do czynienia ze zmiennymi zakłócającymi (nieistotnymi). Nie zawsze można
dokonać wyboru zmiennych istotnych, np. za pomocą metody HINoV, lub
zmodyfikowanej metody HINoV. W artykule porównano efektywność wykrywania
znanej struktury klas za pomocą drzew klasyfikacyjnych dla obiektów symbolicznych
oraz jądrowej analizy dyskryminacyjnej obiektów symbolicznych w sytuacji, gdy mamy
do czynienia ze zmiennymi zakłócającymi. Badanie efektywności przeprowadzono na
symulowanych danych symbolicznych w różnych modelach. Każdy z modeli zawierał
znaną liczbę klas. Dodatkowo do każdego modelu dodano różną liczbę zmiennych
zakłócających. In real research problems we usually deal with relevant variables and
irrelevant (noisy) variables. Relevant variables sometimes can not be identified, by for
example HINoV method or modified HINoV method. This paper compares effectiveness
detection o f known class structure with application o f symbolic decision trees and
symbolic kernel discriminant analysis in situation where we deal with noisy variables.
This research was conducted on artificial symbolic data from a variety o f models. The
models contained known structure o f clusters. In addition, the models contained different
number o f noisy variables added to obscure the underlying structure.
Collections